طراحی نرم افزار مبتنی بر مهندسی دانش جهت مدیریت تونل در شرایط برخط

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 663

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

RMTO01_033

تاریخ نمایه سازی: 1 مهر 1394

چکیده مقاله:

استفاده بهینه از تجهیزات حمل و نقل در کشورهای پیشگام حمل و نقل هوشمند امری حائز اهمیت می باشد. تونل ها یکی از ساختارهای حمل و نقل می باشند که شامل انواع مختلفی از سیستم های هوشمند نظیر جت فن ها، چراغ های ال- ای- دی دوربین های نظارت تصویر و ... می باشند. وجود یک اتاق کنترل جهت مدیریت این سنسورها، تصمیم گیری در شرایط مختلف را تسریع می بخشد. در این مقاله به تشریح نحوه عملکرد این اتاق کنترل جهت مدیریت سیستم های هوشمند درون تونل پرداخته شده است و بر اساس دیدگاه های مهندسی دانش، به استخراج تجربیات در مدیریت تونل اقدام شده است. این تجربیات به عنوان پایگاه دانش یک سیستم خبره تبدیل شده و از آن برای مدیریت تونل استفاده می شود. در بخش مهندسی دانش الگوریتم های یادگیر به طور مداوم در حال اجرا هستند و ضمن استخراج تجربه، گزارش هایی را جهت تحویل به مدیریت تونل فراهم می آورند. در نهایت درخت نیوبیز در کمترین زمان ممکن و بیشترین دقت بهترین نتیجه را روی ارزیابی انجام شده روی تونل نیایش ارائه داده است.

کلیدواژه ها:

سیستم های حمل ونقل هوشمند ، الگوریتم های یادگیر ، مهندسی دانش ، مدیریت تونل

نویسندگان

شادی آب پیکر

دانشجوی دکتری، گروه علوم کامپیوتر،دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایران

مهدی قطعی

استادیار گروه علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر و پژوهشکده حمل ونقل و سیستم های هوشمند، دانشگاه صنعتی امیرکبیر،تهران، ایران- م

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Shah, N. et. al (2012). Optimization models for assessing the ...
  • Trullols, O. et. al (2010). Planning roadside infrastructure intelligent ...
  • Ma, Zh. Et. Al (2009), Characteristics of traffic accidents in ...
  • Alvear, D. et. _ (20 13).Decision support system for emergency ...
  • I., (2000). Knowledge-B ased ...
  • Darmoul, S., Elkosantini, S., (2014). Artificial immunity to contro] disturbances ...
  • Sagong, M..(2006). Induction of tunne] reinforcement selection rules by using ...
  • Mahdevari, S., Torabi, S.R., (2012). Prediction of tunnel convergence using ...
  • Leo, S., Chen, Ch., Chang, Sh., (2001). Data mining for ...
  • Elvic, R. (2008). The predictive validity of empirical Bayes estimates ...
  • Zhao, Y., Zhang, Y., (2008). Comparison of decision tre methods ...
  • Zhang, H., Su, J., (2004). Naive Bayesian Classifiers for Ranking. ...
  • نمایش کامل مراجع